PluRel: Synthetic Data unlocks Scaling Laws for Relational Foundation Models
تقدم الورقة البحثية PLuRel، وهو إطار عمل خفيف الوزن لتخليق قواعد بيانات علاقية متعددة الجداول ومتنوعة، يثبت لأول مرة أن توسيع نطاق البيانات الاصطناعية يحسن أداء وتعميم النماذج التأسيسية العلاقية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت فائق الذكاء كيف يفهم عالم الأعمال البشري المعقد والمتداخل. في عالم الذكاء الاصطناعي، توجد "النماذج التأسيسية" (Foundation Models)—وهي عقول ضخمة ومتعددة الاستخدامات تتعلم من كميات هائلة من البيانات لحل أنواع شتى من المشكلات، من كتابة القصص إلى التعرف على الوجوه. عادةً، تلتهم هذه النماذج مكتبات ضخمة من النصوص أو الصور العامة. ولكن عندما يتعلق الأمر ببيانات الأعمال، تصبح الأمور معقدة؛ فمعظم قواعد بيانات الشركات تشبه الخزائن السرية، فهي مليئة بمعلومات العملاء الحساسة والأسرار التجارية، لذا فهي مغلقة بإحكام ونادراً ما يتم مشاركتها. وهذا يخلق عقبة رئيسية: كيف تعلم روبوتاً فهم العلاقات التجارية المعقدة إذا لم يكن مسموحاً له برؤية السجلات الحقيقية؟
لحل هذه المشكلة، بدأ العلماء في استخدام "البيانات الاصطناعية" (Synthetic Data). فكر في الأمر كنسخة من ألعاب الفيديو للواقع. بدلاً من تغذية الروبوت بسجلات عملاء حقيقية، تقوم بتغذيته بقاعدة بيانات وهمية، لكنها واقعية تماماً. الهدف هو إنشاء محاكاة جيدة لدرجة تجعل الروبوت يتعلم القواعد الأساسية لكيفية عمل الشركات، تماماً كما لو كان قد درس الشيء الحقيقي. السؤال الكبير الذي طرحه الباحثون هو: هل يهم إذا صنعنا قاعدة بيانات وهمية واحدة ضخمة، أم من الأفضل صنع العديد من قواعد البيانات الوهمية المختلفة؟ وكم يحتاج الروبوت من البيانات الوهمية ليصبح بارعاً حقاً في مهمته؟ هنا تبدأ قصة أداة جديدة تسمى PLUREL.
المشكلة: الروبوت يحتاج إلى مكتبة، وليس كتاباً واحداً
تخيل أنك تريد تعليم طالب كيفية التنبؤ بما سيحدث في مباراة رياضية. إذا عرضت عليه مباراة واحدة فقط من العام الماضي، فقد يحفظ النتيجة لكنه لن يفهم قواعد اللعبة. لن يعرف ماذا يحدث إذا هطل المطر، أو إذا تعرض لاعب نجم للإصابة. لكي يتعلم حقاً، يحتاج إلى رؤية آلاف المباريات المختلفة، تلعبها فرق مختلفة، وفي ظروف مختلفة.
لسنوات، حاول باحثو الذكاء الاصطناعي بناء "نماذج تأسيسية علاقية" (Relational Foundation Models - RFMs)—وهي روبوتات مصممة لفهم قواعد البيانات المعقدة متعددة الجداول (مثل قائمة عملاء الشركة، وسجل الطلبات، والمخزون، وكلها مرتبطة ببعضها البعض). ولكن لأن بيانات الأعمال الحقيقية خاصة، كانت هذه الروبوتات تتضور جوعاً. لقد تم تدريبها على حفنة صغيرة من مجموعات البيانات العامة. الأمر يشبه محاولة تعليم طاهٍ طبخ قائمة طعام عالمية باستخدام ثلاث وصفات فقط. لا تستطيع الروبوتات التعميم؛ لا يمكنها التعامل مع مواقف جديدة لأنها لم تشهد تنوعاً كافياً.
الحل: PLUREL، مولد قواعد البيانات اللانهائية
هنا يأتي دور PLUREL (والذي يبدو صوته مثل كلمة "plural"، وتعني "أكثر من واحد"). قام الباحثون في جامعة ستانفورد وشركاؤهم ببناء إطار عمل ذكي يعمل كـ "مصنع لقواعد البيانات". بدلاً من محاولة نسخ قاعدة بيانات حقيقية، يقوم PLUREL ببناء قواعد بيانات جديدة تماماً من الصفر، باتباع وصفة مكونة من ثلاث خطوات:
- المخطط (Schema): أولاً، يرسم خريطة. يقرر عدد الجداول الموجودة (مثل "المستخدمون"، "الأصناف"، "الطلبات") وكيفية اتصالها ببعضها. إنه يشبه تحديد تخطيط مدينة جديدة قبل بناء المنازل.
- الروابط (Foreign Keys): بعد ذلك، يربط الجداول ببعضها البعض. في قاعدة البيانات الحقيقية، ترتبط جدولة "العميل" بجدول "الطلب". يقوم PLUREL بإنشاء هذه الروابط باستخدام طريقة تجميع ذكية، مما يضمن أن تبدو البيانات الوهمية واقعية—مثل كيف يمكن لعميل معين أن يشتري العديد من الأصناف، ولكن ليس كل عميل يشتري كل الأصناف.
- الحياة (Features): أخيراً، يملأ التفاصيل. يستخدم "النماذج السببية الهيكلية" لتحديد شكل البيانات. يضيف أنماطاً، مثل كيف قد تزداد المبيعات خلال موسم العطلات أو كيف تتقلب نشاطات المستخدمين بمرور الوقت. حتى أنه يضيف "الضجيج" والقيم المفقودة، تماماً مثل الحياة الواقعية، حتى لا تكون البيانات مثالية للغاية.
النتيجة؟ يمكن لـ PLUREL إنتاج عدد غير محدود من قواعد البيانات الفريدة، والمتنوعة، والآمنة من حيث الخصوصية. إنه يشبه امتلاك آلة يمكنها توليد تنويعات لانهائية لمدينة، لكل منها أنماط حركة المرور والطقس الخاصة بها، دون الحاجة أبداً إلى مخطط واحد من العالم الحقيقي.
الاكتشاف: التنوع أهم من الحجم
استخدم الفريق PLUREL لتدريب نموذج يسمى المحول العلاقي (Relational Transformer - RT) على مليارات القطع من البيانات. أرادوا معرفة ما إذا كان هناك "قانون قياس" (Scaling Law)—وهو قاعدة يمكن التنبؤ بها تخبرك بمدى تحسن النموذج مع إعطائه المزيد من البيانات.
إليكم ما وجدوه، وهو أمر مفاجئ نوعاً ما:
- الأمر لا يتعلق بالكمية فحسب؛ بل بالتنوع. إذا أعطيت الروبوت كمية هائلة من البيانات من نوع واحد فقط من قواعد البيانات الوهمية، فإنه سيصطدم بحائط مسدود. سيصبح جيداً في ذلك السيناريو المحدد، لكنه سيفشل عند مواجهة شيء جديد. ومع ذلك، إذا أعطيته كمية أقل من البيانات من العديد من أنواع قواعد البيانات الوهمية المختلفة، فسوف يتعلم بشكل أسرع بكثير.
- قانون القوة (The Power Law): اكتشفوا قاعدة رياضية (قانون قوة) تظهر أن أداء النموذج يتحسن بشكل يمكن التنبؤ به مع زيادة كل من عدد قواعد البيانات المختلفة والحجم الإجمالي للبيانات. ولكن هناك شرط: يجب عليك زيادة كليهما معاً. إذا استمررت فقط في جعل نفس قاعدة البيانات أكبر، فسيصاب الروبوت بالارتباك. وإذا صنعت العديد من قواعد البيانات المختلفة ولكن لم تعطِه ما يكفي من البيانات لدراستها، فلن يتعلم بما يكفي.
- اختبار "العالم الحقيقي": كان الاختبار النهائي هو معرفة ما إذا كان الروبوت، المدرب على هذه البيانات الوهمية، يمكنه التعامل مع قواعد بيانات حقيقية لم يرها من قبل. كانت النتائج مبهرة. عندما أخذوا الروبوت المدرب على بيانات PLUREL الاصطناعية وأعطوه القليل من البيانات الحقيقية لإجراء الضبط الدقيق (Fine-tuning)، كان أداؤه أفضل بكثير من الروبوت الذي تدرب على البيانات الحقيقية فقط. في بعض الحالات، حسّن دقته بأكثر من 7% في مهام التنبؤ المعقدة.
لماذا هذا مهم؟
تشير الورقة البحثية إلى أننا لسنا بحاجة لانتظار الشركات لمشاركة بياناتها السرية لبناء ذكاء اصطناعي أفضل. يمكننا بناء "صالة تدريب" باستخدام بيانات اصطناعية متنوعة وواقعية لدرجة تجعل الذكاء الاصطناعي يتعلم القواعد الأساسية للعبة.
يلاحظ الباحثون بعناية أن البيانات الاصطناعية وحدها ليست حلاً سحرياً؛ فقد جاءت أفضل النتائج عندما استخدموا البيانات الاصطناعية لبناء أساس قوي ثم "أكملوا التدريب المسبق" (Continued Pretraining) على كمية صغيرة من البيانات الحقيقية. سمح هذا المزيج للنموذج بالتعميم على مهام حقيقية غير مرئية، مثل التنبؤ بالعملاء الذين قد يتركون الخدمة أو مقدار مبيعات منتج ما.
باختصار، يفتح PLUREL طريقاً جديداً لتدريب الذكاء الاصطناعي. إنه يشير إلى أنه من خلال توليد "أكثر من واحد" (جمع) من الواقع المتنوع، يمكننا تعليم الروبوتات فهم عالم الأعمال المترابط والمعقد، حتى عندما تكون البيانات الحقيقية مغلقة خلف جدران الخصوصية. إنه يحول مشكلة "عدم وجود بيانات كافية" إلى مشكلة "كم عالماً مختلفاً يمكننا تخيله؟"
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.